查看原文
其他

python爬虫入门实战(三)不会正则怎么办?xpath分分钟搞定!

lamyoung 白玉无冰 2022-06-10

喜欢点个关注呗

 

◇    最近有小伙伴说正则表达式学不懂?那有什么替代方案呢?一起往下看吧!


在 python爬虫入门实战!爬取博客文章标题和链接!和 python爬虫入门实战(二)!多线程爬虫! 我们已经学了一些基本技巧。但是之前都是用正则表达式来解析内容的,可能有小伙伴对正则表达式不理解,于是乎,我找到一个相对好用的库来帮助我们解析内容。

配置环境

pyhton3  + requests 库 + lxml 库。在国内安装可能会卡住,可以参考以下指令,使用国内镜像。

pip3 install lxml -i http://pypi.douban.com/simple --trusted-host=pypi.douban.com

引入库。

import requests
from multiprocessing.dummy import Pool
import lxml.html
import csv

xpath

首先我们可以清楚地看到,一个html文件是一种树状的结构。

有尖括号<>包起来的可以看成树的节点,成对出现的在内部的节点就是子节点。例如<head> 是 <html> 的子节点。

在尖括号内的 a=xxx 中,a为属性,xxx为属性值。例如<div class="post-preview"> 的属性class的值为 post-preview 。

成对的尖括号<>的文本叫做内容。例如 <title>白玉无冰 </title>  的内容为 白玉无冰 。 

xpath就是根据树的结构获取信息的。/html/head/title/text() 返回的是内容 "白玉无冰 | 明天进步一点点 | lamyoung" 。 /html/body/div/@class  返回的是属性class的值 "container" 。

xpath还可以使用双斜杆 // 来查找所有的节点。 例如 //div[@class="post-preview"]  是查找所有属性class为post-preview的div节点。

对于我们要爬取的目标链接和题目名字的参考代码如下:(关于request的用法和解析参考python爬虫入门实战!爬取博客文章标题和链接!)

def scrapy(index):
  page_url = '';
  if index>1:
    page_url=f'page{index}/'
  url=f'http://lamyoung.com/{page_url}';
  print(url);
  html=requests.get(url);
  if html.status_code == 200:
    html_bytes=html.content;
    selector = lxml.html.fromstring(html_bytes);
    #获取所有的节点
    all_items=selector.xpath('//div[@class="post-preview"]')
    write_content=[];
    for item in all_items:
      #获取链接
      links = item.xpath('a/@href')
      #获取标题
      title=item.xpath('a/h2[@class="post-title"]/text()')
      #标题去掉多余的空格
      title_0=title[0].strip();
      write_content.append({'title': title_0, 'link': f'http://lamyoung.com{links[0]}'});
    return write_content
  else:
    return [];

接着使用多线程(详细解释参考python爬虫入门实战(二)!多线程爬虫!)

pool = Pool(3);
orign_num=[x for x in range(1,10)];
result = pool.map(scrapy,orign_num);


csv

之前我们是用txt保存的,阅读起来非常不方便,这次我们用csv的格式保存,阅读时可以用excel打开,排版就好看多了。

一起看下在python中怎么使用吧!

with open('lamyoung_title_multi_xpath_out.csv', 'w', newline='') as csvfile:
    fieldnames = ['title', 'link']
    writer = csv.DictWriter(csvfile, fieldnames=fieldnames)
    #写入头
    writer.writeheader()
    for write_content in result:
      for _content in write_content:
         #写入内容
         writer.writerow(_content);

一起看看最后的结果吧


小结

这次主要介绍了xpath的基本用法(有没有比正则简单一点?)和csv保存。如有错误,欢迎斧正!如果我又学到好东西,会第一时间分享给大家的!欢迎关注获取最新更新哦!


游戏开发小赤佬,也玩python和shell。

—白玉无冰

完整代码公众号内回复【pybt】

往期精彩回顾

python爬虫入门实战(二)!多线程爬虫!
python爬虫入门实战!爬取博客文章标题和链接!
史上最全面的正则表达式教程
请不要轻易放弃,每个专家都曾经是初学者
JajavaScript 正则表达式实用指南


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存